- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 81
- 收听数
- 1
- 能力
- 120 分
- 体力
- 540729 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167597
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5324
- 主题
- 5250
- 精华
- 18
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
数学建模:优化算法& o: s$ H! t8 @. J6 g/ P: K4 q
数学建模问题总共分为四类: ' J0 U4 B/ ^* g( }7 V7 B0 V
1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题0 r. d" n; o: L5 s
l: l+ |5 ?) B' r
一、粒子群算法(PSO)
+ S6 E: Z3 [; R: n4 W# G& M1 X$ Y) |$ I! O
算法对于Hepper的模拟鸟群(鱼群)的模型进行修正,同遗传算法类似,也是一种基于群体叠代的,但并没有遗传算法用的交叉以及变异,而是粒子在解空间追随最优的粒子进行搜索。 6 \* T( B' r, |* T# E. L8 D
PSO的优势在于简单,容易实现,无需梯度信息,参数少,特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景,既适合科学研究,又特别适合工程应用。
4 C$ x* e% X$ B4 a5 n1 y% s! U$ G5 r- K5 @# n) w
基本PSO算法, y; r: j/ [0 p0 k1 m0 t
. h* s' i# U8 T1 [5 d9 J9 |D维空间中,有m个粒子; 6 y2 E4 `$ s, g/ h: ~# L1 V
粒子i位置:xi=(xi1,xi2,…xiD) 0 B" H( b, o; r- t
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D + b# U: u I3 I( F1 V
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD) : {8 @& z/ o. k: m% n
群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) " M% J- O7 V8 ] R
/ _; J0 u5 n( `) _; w2 D2 z
% m# L! Z& Z4 C- g' W! I二、模拟退火算法(SA)
# ]0 Q- C1 m" S+ P- t8 H0 X4 D/ K$ k) J4 O0 s
模拟退火过程:
4 t1 ^) w5 ~1 G设定初始高温,相当于物理退火的加温过程。初始温度要足够高,在实际应用中,要根据以往的经验,通过反复实验来确定T0的值。
* j' {2 a+ d; z. V4 Z. ^热平衡达到,相当于物理退火的等温过程。是指在一个给定温度下,SA用特殊的抽样策略进行随机搜索,最终达到平衡状态的过程。这是SA算法的内循环过程。 2 `6 g! O; e" K3 q; h$ w* C/ z
降温函数,相当于物理退火的冷却过程。用来控制温度的下降方式,这是SA算法的外循环过程。常用的降温函数有Tk+1=Tk-DT,Tk+1=Tk*r,其中r∈(0.95,0.99)。! [5 s: u% V D9 R
0 b. x* c, _2 q/ B G! s
三、遗传算法 g+ i- P ~! ^) c; a# U
1 z, t) @1 I% u- J$ |8 t产生一个初始种群
5 k8 ?5 M. @1 l0 M9 j6 v根据问题的目标函数构造适值函数
) q' @/ k8 T; E$ X [根据适应值的好坏不断选择和繁殖 ' {. b# d+ g% L* e+ z x
若干代后得到适应值最好的个体即为最优解
1 Y% P5 G/ z, ]( t+ \; h9 s" \# L/ `$ V( n& X3 v8 T3 X' r7 x: c
四、算法步骤
; ^- N) h( c6 d$ y7 H初始种群
+ o/ _+ [& B0 p编码方法—二进制编码,可以对多个编码进行组合。
; ]8 H! R& h) P! o( `$ I1 q适值函数,往往就是目标函数,以值得大小为依据 , Q7 b0 n* G/ m0 z- G
遗传运算,交叉和变异
( {6 f7 ~! i+ z/ ?选择策略,算出适应度,根据比例采用转盘模型
1 j# \. \5 t5 A6 ~' h9 n" h停止准则' ]6 \. r4 G* u0 e3 s* l" j8 e
' }+ d+ b+ t) W% M. y( k
参考:https://blog.csdn.net/zuochao_2013/article/details/71435105
/ q( J; R' V1 G5 J# N! l5 I7 M& G; x: j; G7 B
四、神经网络算法
, ]# L+ y/ v( J
5 _; L% A, ^# j& v# l2 T& A和机器学习模型中的神经网络一样,用来分类或预测$ W' E: i; d) M( z
+ w1 ?" u- E+ s* V* G
五、禁忌搜索算法 (Tabu Search)1 r- l0 }! @+ n: Q3 G; J: h
% x2 h# m& v% b; o6 ^; A3 j' v又称爬山启发式算法,从当前的节点开始,和周围的邻居节点的值进行比较。如果当前节点是最大的,那么返回当前节点,作为最大值(即山峰最高点);反之就用最高的邻居节点替换当前节点,从而实现向山峰的高处攀爬的目的。它是禁忌搜索的基础,TS算法是在其上改进而来。
) p9 Z$ h" N. o( G优点:
. _3 t: E' O/ m, D4 J1、容易理解,容易实现,具有较强的通用性; * A; j. j8 A+ T0 Z3 a* T: V7 v
2、局部开发能力强,收敛速度很快。
1 i' w ]/ I4 e/ ?缺点: & i! T( e$ m( ^9 f! U. k, ~
1、全局开发能力弱,只能搜索到局部最优解; ) _3 I c3 k% h: {6 v
2、搜索结果完全依赖于初始解和邻域的映射关系。5 _0 |) x1 ^7 x; a- X |1 a
: G. Y& u! E: A5 t1 c
将不相同的n件物品分为m组,可以用的编码: ( }; |) v4 O7 c& g/ u
a、带分隔符的顺序编码,以自然数1~n分别代表n件物品如:1-3-4-0-2-6-7-5-0-8-9 $ o) q! }$ c# b; F
b、自然数编码,每一位分别代表一件物品,而每一位的值代表该物品所在的分组。如:1-2-1-1-2-2-2-3-3 2 J2 {# R2 u n/ v3 K, ]7 x2 w
(2)初始解的获取 6 _- h% M' V4 [' ^/ y& n
可以随机给出初始解,也可以事先使用其他启发式等算法给出一个较好的初始解。 - ]1 H. }3 p# q- m! w
(3)移动邻域 * ^- T: }; g* c; \7 H7 M
移动是从当前解产生新解的途径,例如上述问题中用移动s产生新解s(x)。
5 _$ z7 [+ c" A; t从当前解可以进行的所有移动构成邻域,也可以理解为从当前解经过“一步”可以到达的区域。
+ t) \( w- z: V8 V) u1 O: E& \(4)禁忌表
2 L+ ?' A6 E- D5 z: c禁忌表的作用:防止搜索出现循环 " c4 W) M' p5 A$ L5 N, d! B2 s" l; y
(5)渴望水平函数 ( i" z" D+ L1 i2 s! O: f
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))
/ L7 }' d' s- Q. {9 @4 a
% L- E5 M2 u; t六、蚁群算法(AS)
3 g3 A0 ?6 r3 i1 d7 q
1 o" u" h+ I- F% F! p6 j, a
2 S7 t8 L1 X% z$ e& S参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop
7 k" ^6 S% n2 D: k h---------------------
4 K( P9 I- V/ ~5 B作者:_朝闻道_
3 _+ f, t5 B U- p' T& ^7 u) M来源:CSDN
" T+ S0 }5 u/ X/ O6 s! z H |9 ~( g
& }- h0 P/ K6 C( ?: s& V
- C$ C5 A4 p0 s- i7 u8 N b( i( s# f- T& C7 Z/ ?
|
zan
|